Bildkälla: Sebastian Schattauer

Smart datahantering i realtid för den moderna banken

Teknik Behovet av dataanalys i realtid för bättre beslutsfattande i finanssektorn är uppenbart. Vägen till framgång är en arkitektur som hanterar alla olika datakällor på ett enhetligt sätt och gör det möjligt att kombinera datamängder. Det skriver Sebastian Schattauer, Sales Director Financial Services, på SAS Institute.

Bank- och finanssektorn står inför en rad utmaningar för att förverkliga den visionen. De kan sammanfattas som svårigheter med ändamålsenlig tillgång till data. Hur man lyckas blir avgörande för effektivisering av gamla processer, nya digitala tjänster och att kunna utnyttja AI på ett sätt som ger verkligt värde. Det är få andra branscher där detta är så tydligt för som för bank- och finanssektorn.

Ett tydligt exempel som beskrivs i studien Banking in 2035: three possible futures, utförd av Economist Impact, visar på nyttan för den pågående miljöomställningen. Med bättre dataanalys kan banker förbättra analyser av miljöriskers ekonomiska påverkan och även bidra till att skapa bättre lönsamhet för miljövänliga produkter och tjänster. Bättre dataanalys kräver bättre tillgång till data.

Banking in 2035: Trust, climate risks and geopolitical rivalry shape a purpose-driven industry, forecasts study | SAS

Att vara datadriven innebär att användning av data blir en naturlig del av många aktiviteter i en verksamhet. Det handlar om allt från rådgivning (beslutsstöd), via hårda automatiserade beslut, till möjligheter att analysera okända företeelser och sammanhang, till exempel med avsikt att upptäcka nya affärsmöjligheter. Och det handlar även om att existerande rutiner och processer ska fungera felfritt och effektivt.

Ökad, och smartare, användning av data innebär bättre kundkontakter, kundanalys, marknadsföring, kreditbedömningar, riskhantering, bedrägeriupptäckt, samt bättre produkt- och tjänsteutveckling med snabbare implementering. Det innebär även möjligheter till kostnadsbesparingar.

En central utmaning för att bankvärlden ska lyckas bli datadriven beror på hur bankernas data har organiserats historiskt. När tidsdimensionen inte varit så kritisk har det fungerat att arbeta i olika vertikaler - i datasilos. Data som används för olika uppgifter är inlåsta i lösningar som bara är enkelt åtkomliga för just de specifika ändamålen (läs systemen). Man har byggt fast sig i gamla system- och databaslösningar som inte uppfyller moderna krav. Det är en omfattande uppgift att byta ut, eller transformera, de gamla lösningarna mot eller till nya.

Modernisering av gamla system handlar inte bara om att flytta applikationer från stordatorer till molnet. En minst lika viktig del är att flytta data till lösningar som uppfyller moderna krav på åtkomst. Det behövs för att kunna bygga datadrivna lösningar, och för att kunna kombinera, samköra, olika datamängder. Det senare är ett absolut krav för många nya, innovativa lösningar.

Det är inte bara mängden data som är viktig. Data behöver också ge en så fullständig bild som möjligt av ett område som de används för att analysera och behandla. Då behövs olika datamängder, som i dag oftast finns i olika databaser som är svåra att integrera med varandra. 

De här kraven pekar i en tydlig riktning, mot behovet av modern arkitektur och dataplattformar som kan hantera olika datakällor på ett enhetligt sätt och göra det möjligt att kombinera dem. För att dataanalys, AI, beslutsstöd, rapportering och hårda automatiserade beslut ska kunna utföras i realtid, vilket är önskvärt allt oftare, behöver prestanda vara av högsta klass. 

När träffsäkerheten för en dataanalysmodell blir tillräckligt hög kan den användas för beslutsfattande, beslutsstöd, förutsägelser, med mera. Rönen från en lyckad modell kan implementeras på en mängd olika sätt, i olika mjukvaror (system, applikationer, webbtjänster, molntjänster). Oberoende av hur de implementeras finns det en sak som är avgörande för framgång: mängden, kvaliteten och variationen för data som används för träning av modeller.

När en AI-baserad applikation upplevs ge svar i realtid så sker analysen som utförs för att få svaret oftast inte i realtid. Den bygger på den träning av modellen som utförts tidigare. Eftersom förutsättningar, som omvärldsfaktorer, ständigt förändras behöver modellen kontinuerligt “lära nytt”, med hjälp av nya data.

För att lyckas med AI och maskininlärning krävs effektiv tillgång till stora volymer data av hög kvalitet från många datakällor. När en lösning som baseras på en AI-modell ska köras krävs även data om personen, eller företeelsen eller vad det är som ska analyseras.

För att realisera dessa miljöer krävs en modern arkitektur och en dataplattform med central hantering, men distribuerad tillgänglighet, för alla relevanta datakällor. Det blir omöjligt att lyckas bli datadriven i begreppets verkliga bemärkelse genom att bygga vidare på de äldre lösningar för datahantering som finns på de allra flesta företag. Det gäller i allra högsta grad för realtidslösningar.

 

/ Sebastian Schattauer, Sales Director Financial Services, på SAS Institute.

 

Börsvärldens nyhetsbrev
ANNONSER